目錄
1. 什麼是Tensorflow.js?
-
TensorFlow.js是機器學習(Machine Learning)TensorFlow框架的JavaScript版本;
-
通過TensorFlow.js，可以讓瀏覽器也進行機器學習；
-
Tensorflow.js的應用場景有：你猜我畫，淘寶美妝，圖片識別，語音識別等等；
再不趕緊學，就追不上時代的步伐了啊！！！
2. 什麼是機器學習？
- 機器學習是對能通過經驗自動改進的計算機算法的研究
- 機器學習是用數據或以往的經驗，以此優化計算機程序的性能標準
舉例：線性迴歸
根據圖中這些圓點的位置(x,y)，用一條線近似表示；
比如，青少年的身高體重比例，來判斷你是正常/肥胖/偏瘦
舉例：邏輯迴歸
下圖有藍色的點和黃色的點，我們通過它們的位置，畫出一條線，將它們大致分開；
後面給出一個新的點，我們就可以大致判斷它是藍色的點還是黃色的點；
舉例：圖片分類
我們準備大量不同類型的圖片，讓機器去學習它們的特徵；
然後給機器一張圖片，它就可以根據圖片的特徵來判斷它最有可能是什麼類型的圖片；
舉例：語音識別
給機器各種聲音數據和它們的標籤，讓機器去學習它們的特徵；
例如：蘋果的語音助手Siri
3. 爲什麼要用機器學習？
- 有些棘手的問題只能用機器學習，無法通過傳統的編程方法來解決
- 獲取數據比編寫規則更加容易
- GPU等計算能力的顯著提升（機器學習會消耗大量的計算）
4. 機器學習如何運作？
- 神經網絡算法（能解決大部分問題）
- 決策樹，支持向量機，貝葉斯分類器，強化學習等等
5. 什麼是神經網絡？
這裏的神經網絡，肯定不是指腦袋裏的神經網絡，而是人工神經網絡
人工神經網絡（Artificial Neural Network，ANN）簡稱神經網絡(NN)，是基於生物學中神經網絡的基本原理，在理解和抽象了人腦結構和外界刺激響應機制後，以網絡拓撲知識爲理論基礎，模擬人腦的神經系統對複雜信息的處理機制的一種數學模型。
神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱爲激活函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之爲權重（weight），神經網絡就是通過這種方式來模擬人類的記憶。
舉例：相親
上圖所示：
- 形象對於‘學歷/家境/五官/身材’有相應的權重值；
- ‘學歷/家境/五官/身材’ X 相應的權重值 = 形象值
- ‘形象/品質/有趣/財富’ X 相應的權重值 = 滿意度
當然，神經網絡不可能會是這麼簡單的；它還要處理很多問題；
- 每個人的眼光高低不同，小白給小紅打10分，小綠卻給小紅打1分；（偏置）
- 有些人認爲，學歷只要在本科及以上，就沒什麼差別了，都可以；（非線性變化）
- 有些人認爲，形象得分越高越好；有些人認爲形象太好了，可能把時間都花在了形象上，學習的時間就少了，內涵就會差一點或者是安全感變低了，因此形象太高反而減分；（激活函數做一些非線性變化）
大致流程如下：
神經元會讓上一層的輸入乘上各自的權重，然後相加，再加上偏置，得出來的值經過激活函數算一遍，然後得到輸出；
總結：
- 每個神經元裏存儲着若干權重（weight）,偏置（bias）,和一個激活函數（activation）
- 輸入乘上權重加上偏置，經過激活函數得到輸出
- 激活函數用於添加一些非線性變化
- 神經網絡通常包括一個輸入層，若干隱藏層，一個輸出層
- 輸入層通常不用於計算神經網絡的層數
6. 什麼是神經網絡的訓練？
- 給大量的輸入和輸出，算出神經網絡裏所有神經元的權重和偏置；然後給定新的輸入，即可以算出新的輸出；
- 在機器學習裏，輸入輸出被稱爲特徵和標籤，大量輸入輸出被稱爲訓練集；
7. 如何訓練神經網絡？
- 初始化：隨機生成一些權重和偏置；
- 計算損失：給定特徵，計算出標籤，得到它與真實標籤相差多少；
- 優化：微調權重和偏置，使損失變小；
- 不斷重複2,3；使損失變爲最小；
前向傳播與反向傳播：
- 前向傳播：將訓練數據的特徵送入網絡，得到標籤；
- 反向傳播：計算損失並優化 （微積分裏的鏈式法則）
簡單的理解：爲什麼要先調整最後一層的參數，因爲如果你要調整倒數第二層的參數，你就需要知道倒數第一層的參數往哪個方向纔是正確的；例如：調整了最後一層的參數，才能大概知道小明是喜歡有錢的還是形象好的，知道了最後一層的方向，才能調整倒數第二層的參數；
如何計算損失？
- 使用損失函數（均方誤差，對數損失，交叉熵等等）
如何優化？
- 使用優化器 （隨機梯度下降，Adam等等）
so,不要慌，調用第三方庫使用就行了，大佬們已經把工具寫出來了~
